当AI学会了操作软件，大模型的天花板要重新计算

一个比写代码更大的故事

1/6

AI Coding为什么其他职业很难复制？

近两周，很多人用GPT-6 Astra做各种3D模型，做小游戏，有人觉得效果一般，不如专业的视频大模型，可这个判断角度就完全偏了。

OpenAI目前对GPT-6 Astra的定位就是“Computer Use”，它不仅能够操作网页，而且可以处理 CRM、表格、文档等任意桌面软件。

简单说，AI聊天是帮助你思考”，AI Agent是帮助你执行，Computer Use是用你习惯的软件帮你执行。

我觉得，这是一个比写代码更大的故事，是AI可以直接介入一段工作流，很可能可以推动大模型ARR 上行。

过去一年，AI Coding 产生了大规模的真实收入，有一个重要的前提，程序员的工作本身就是通过代码完成的，工作中间过程是代码，工作最终产物也是代码。而AI的工作方式也是写代码，AI Coding的工作流与程序员原本的工作一一对应，无缝衔接，程序员可以按自己的需求使用AI，可以让AI Coding先生成再修改，可以只介入其中一段，可以随时观察AI的工作状态，随时中途接管AI的工作。AI出错也可以知道发生在哪一个环节，可以以最小的代价修正，而不是从头再来。

但其他职业目前还做不到这一点。

你生成一段稍长一点的视频，完整的生成看似省力，但是就算视觉效果再好，也总有几个不符合你的要求的地方，你想只修改其中的一小段，往往又会出现其他问题，最后只能推倒重来，费钱费时间最重要的是费人力。

其中最关键的问题，你不知道大模型中间的工作状态，不知道是哪一个环节出了问题，你就没有办法改进大模型的输出，你也无法改变自己的工作流程，去配合AI的工作。

Computer Use的思路是反过来，让AI用人类习惯的软件工作，按行业通行的工作流程干活。

这不仅仅是技术路线上的选择，更重要的是商业模式上的变革，使之更易被企业采用。

下周三晚上有直播，聊聊行情和AI产业趋势，欢迎预约

2/6

AI最难替代的，是工作流

AI能不能进入原来的工作链条，意义重大。

以平面设计师的工作为例，假设接到一个任务，为客户做一张“中秋节促销海报”，设计师原来的工作流可能是：

1、客户经理接到客户需求，向设计师介绍需求

2、设计师找视觉参考，让总监确认

3、确认后打开Photoshop和该客户资料建文件，找素材，修图

4、与文案配合完成设计、排版、调字体/颜色

5、让总监确认后，提交客户

6、客户提出修改意见，进入多轮修改，其间可能要与文案与客户经理有多轮沟通

7、 客户确认，导出最后成果

如果利用现在通用的多模态大模型，上述2~4的步骤可以变成一步，而且一次输出大量的方案，如果是一个小公司自产自用，要求不高，绝对可以了。

但如果是为大客户服务，真正的挑战才开始：客户不会因为你的图面效果有多炫就直接拍板，总会提出更具体的要求，比如需要再加一些产品的元素但不能破坏原图画，视觉调性要在公司理性文化之上多一点温暖，原画面有一些元素比较有意思但视觉有点突兀需要融合，等等。

如果把这些要求直接输给AI，只要稍微复杂一点，其输出的结果就很可能与你想象的不同，因为你并不知道AI是如何完成工作的，你所要求的“修改”，本质上是一项新的任务。

这就带来了一个巨大的挑战：在过去的设计工作流程中，客户所有的修改要求都是为了导向一个确定的结果，设计师要尽可能把已经确认的东西固定下来，但AI的工作流程会导致“改了旧的问题，又带来新的想法”，而这些“新想法”又让客户产生新的修改意见，最后每一轮修改都会导向一个不可知的未来而非越来越确定的成品。

为什么Computer Use可以解决上面的问题呢？

3/6

任务可以交给AI，职位不能

很多人过去高估了 AI 对专业人士的替代速度，是因为他们把“AI 能完成这个任务”误认为“AI 能够替代这个职业”。

你有一家小店，做一张中秋促销海报，发在微信群里，这只是AI帮你完成了一项设计任务；但如果你是一个设计师，帮客户完成所有的商业设计工作，这才叫“职业”。

任务只要求“知识和技能”，而职业除了“知识技能”外，还有工作流程、客户沟通以及交付责任。

商业运营不是艺术创作，需要的是可预测、可控制、可盈利，AI现在可以帮忙做很多事情，但如果过程不可控，就很难自然嵌入工作流，就很难证明AI的应用提高了产出效率。

如果想要更多的企业像AI Coding一样，为之付出更高的费用，要么让现在的AI无需人类的介入就能自行实现非常精确的要求，完成大部分的商业工作；要么让AI像人类一样工作，整个过程可理解，可修正，可介入，可以随时调用，而且要即插即用。

这两条路线，过去都有人尝试，前者就是要求AI可以不断地自我修正，即传说的“自我递归”能力，由于这个过程不可见，很多人认为非常危险，甚至可以危害人类；

所以GPT-6 Astra主打后一条路线Computer Use，绕开最尖端的问题，绕开伦理与法律争议，回到商业价值本身，回到人类熟悉的世界，它的经济意义可能远远大于一个普通 benchmark 的提升。

尤其重要的是，它可以最大程度地保留人类积累了几十年的数字知识资产。

4/6

AI打开旧宝库

1949年，英国剑桥大学的 EDSAC计算机正式运行，它的特别之处在于，硬件不需要重新接线，改变存储器里的程序，就可以让同一台机器执行完全不同的任务，这就是现代软件的理念，而EDSAC运行的第一个程序，是 1949年5月6日计算平方表的程序。

从那一天到现在长达70多年的时间，人类在数字世界积累了大量的软件程序，其中比如 Photoshop、Excel、Premiere、AutoCAD、SAP、Salesforce，它们经过几十年的迭代，已经积累了极其庞大的功能，还有一些专业软件，虽然用的人不多，但其专业价值同样无法取代。

专业技术人员的工作流程很大一部分是靠专业软件来实现的，AI以前没有一个足够可靠的手，让它进入这些软件，所以采用AI Coding路线，但这意味着要重新开发一套 AI 原生设计或者剪辑软件，意味着企业需要改变软件文件格式，与之匹配的权限体系，再进行员工培训，还有工作流程的重新设计，更需要外部企业也能改变协作方式，更麻烦的客户交付方式也可能不同，企业当然会很谨慎。

Computer Use 的逻辑就很简单，什么都不用改，AI直接操作人类现在的软件，这实际上降低了 AI 的“组织采用成本”。

之前的API模式虽然也能操控软件，但需要软件公司专门开发 API、插件和自动化接口，像ADOBE这样的大公司当然没问题，但大部分专业软件不可能。

而Computer Use的思路更接近AI像一个人一样看屏幕、理解界面、移动鼠标、点击按钮、输入文字。AI就可能用最快的时间进入人类几十年来形成的软件数字世界。

这就是我说，这个能力一旦成熟，很可能会是下一个AI coding。

所以这个方向的另一个重要影响，是它会改变很多专业职业的壁垒。

5/6

内行管内行

凡是招聘要求中有“熟练运用XXX软件”的职业，都存在一定的软件操作壁垒。比如设计师、剪辑师、财务、分析师、建筑师、运营等大量电脑型专业职业。

这一类职业的能力壁垒通常包括两个层次，比如设计师包括审美/创意/品牌理解/沟通能力和Photoshop等软件的熟练度，这两个层次无法相互替代，导致有些设计师创意等能力强，有些设计师动手能力强。

之前我们认为，软件熟练操作本身可能越来越不值钱，但在Computer Use的环境下，员工仍然需要熟悉这些软件，以“内行管内行的管理方式”去控制AI，特殊情况下可以直接接手。

这个“内行管内行”的模式，跟“外行管内行”的纯原生AI 不同，不但商业化阻力显著更小，而且资深员工也更容易接受。

当然，这也带来一个问题，如果一个从现在开始工作的设计师没有大量熟练使用软件的机会，又怎么才能熟悉这些软件呢？这个问题只能留给未来去解决。

6/6

真正的AI劳动力市场

简单总结一下，过去一年，Coding让AI改变程序开发的工作，但在介入其他流程较复杂的工作时，困难很多；而Computer Use让AI获得了“操作人类过去的数字世界”的能力，很可能把AI的劳动力市场从程序员扩展到所有以软件操作能力为专业壁垒的职业。

当然，这个路线目前还只是一种可能性，Astra测评成绩不错，但缺乏更多的成功案例。

更重要的是，能力不代表实际的职业效率，Computer Use除了已经提高了AI工作流程的可控制度之外，还要解决与客户沟通、团队协作等环节的衔接。真实企业工作还涉及权限、异常情况、数据安全、责任归属等等，才能解决从“能够操作”到“可以放心自主操作”的所有障碍。

这可能是一个漫长的过程，但每延伸一步，就延展了几十亿AI可服务劳动力总量（TAM），它决定了大模型的 ARR 想象空间，也能更好地帮助投资者判断那个至关重要的问题——大型云厂商AI基建的巨额投资有没有过剩。

商业逻辑系列

欢迎关注本公众号

我还有另一个公众号，也是周更